深度學(xué)習(xí)正在逼近計算極限

近日，MIT卻發(fā)出警告：深度學(xué)習(xí)正在接近計算極限，必須轉(zhuǎn)變現(xiàn)有技術(shù)「大幅」提高計算效率。

根據(jù)麻省理工學(xué)院，安德伍德國際學(xué)院和巴西利亞大學(xué)的研究人員的說法，他們在最近的一項研究中發(fā)現(xiàn)，深度學(xué)習(xí)的進展「非常依賴」計算的增長。他們斷言，不斷的進步將需要通過改變現(xiàn)有技術(shù)或通過尚未發(fā)現(xiàn)的新方法來「戲劇性地」更有效地使用深度學(xué)習(xí)方法。

「我們的研究表明，深度學(xué)習(xí)的計算成本并非偶然，而是精心設(shè)計的。同樣的靈活性使得它在建模各種現(xiàn)象和優(yōu)于專家模型方面表現(xiàn)出色，也使得它的計算成本大大增加。盡管如此，我們發(fā)現(xiàn)深度學(xué)習(xí)模型的實際計算負(fù)擔(dān)比理論上擴展得更快，這表明需要會有實質(zhì)性的改進。」

深度學(xué)習(xí)是機器學(xué)習(xí)的一個子領(lǐng)域，研究的是受大腦結(jié)構(gòu)和功能啟發(fā)的算法。這些算法被稱為人工神經(jīng)網(wǎng)絡(luò)，由排列成層的函數(shù)（神經(jīng)元）組成，這些函數(shù)將信號傳輸給其他神經(jīng)元。

這些信號是輸入數(shù)據(jù)輸入網(wǎng)絡(luò)的產(chǎn)物，從一層傳輸?shù)搅硪粚?，緩慢地「調(diào)整」網(wǎng)絡(luò)，實際上就是調(diào)整每個連接的突觸權(quán)重。網(wǎng)絡(luò)最終學(xué)會了通過從數(shù)據(jù)集中提取特征和識別交叉樣本的趨勢來進行預(yù)測。

研究人員分析了預(yù)印本服務(wù)器Arxiv.org上的1058篇論文和其他基準(zhǔn)資料，以理解深度學(xué)習(xí)性能和計算之間的聯(lián)系，特別關(guān)注圖像分類、目標(biāo)檢測、問題回答、命名實體識別和機器翻譯等領(lǐng)域。他們分別對計算需求進行了兩項分析，反映了可用的兩類信息：

1、每一網(wǎng)絡(luò)遍歷的計算量，或給定深度學(xué)習(xí)模型中單次遍歷（即權(quán)值調(diào)整）所需的浮點運算數(shù)。

2、硬件負(fù)擔(dān)，或用于訓(xùn)練模型的硬件的計算能力，以處理器數(shù)量乘以計算速度和時間計算。（研究人員承認(rèn)，雖然這是一種不精確的計算方法，但在他們分析的論文中，它的報道比其他基準(zhǔn)要廣泛得多。）

報告說，除從英語到德語的機器翻譯（使用的計算能力幾乎沒有變化）外，所有基準(zhǔn)均具有「統(tǒng)計學(xué)上顯著性」的斜率和「強大的解釋能力」。

對象檢測，命名實體識別和機器翻譯對于硬件的負(fù)擔(dān)大幅增加，而結(jié)果的改善卻相對較小，計算能力解釋了流行的開源ImageNet基準(zhǔn)測試中圖像分類精度差異的43%。

研究人員估計，三年的算法改進相當(dāng)于計算能力提高了10倍。他們寫道：「總體而言，我們的結(jié)果清楚地表明，在深度學(xué)習(xí)的許多領(lǐng)域中，訓(xùn)練模型的進步取決于所使用的計算能力的大幅提高?！?/p>

「另一種可能性是，要改善算法本身可能需要互補地提高計算能力?！?/p>

在研究過程中，研究人員還對預(yù)測進行了推斷，以了解達到各種理論基準(zhǔn)所需的計算能力以及相關(guān)的經(jīng)濟和環(huán)境成本。即使是最樂觀的計算，要降低ImageNet上的圖像分類錯誤率，也需要進行100000次以上的計算。

他們的觀點是，一份同步報告估計，華盛頓大學(xué)（University of Washington）的格羅弗（Grover）假新聞檢測模型的培訓(xùn)成本為2.5萬美元，耗時約兩周。據(jù)報道，OpenAI花費了1200萬美元來訓(xùn)練它的GPT-3語言模型，谷歌花費了大約6912美元來訓(xùn)練BERT，一個雙向轉(zhuǎn)換模型重新定義了11個自然語言處理任務(wù)的最新狀態(tài)。

在去年6月的另一份報告中，馬薩諸塞大學(xué)阿姆赫斯特分校（University of Massachusetts at Amherst）的研究人員得出結(jié)論稱，訓(xùn)練和搜索某一模型所需的能量大約排放了62.6萬磅二氧化碳。這相當(dāng)于美國汽車平均壽命的五倍。

研究人員寫道：「我們不認(rèn)為這些目標(biāo)所隱含的計算要求……硬件、環(huán)境和貨幣成本會令人望而卻步。以經(jīng)濟的方式實現(xiàn)這一目標(biāo)，將需要更高效的硬件、更高效的算法或其他改進，從而產(chǎn)生如此巨大的凈影響。」

研究人員指出，在算法級別進行深度學(xué)習(xí)改進已有歷史先例。他們指出了諸如Google的張量處理單元，現(xiàn)場可編程門陣列（FPGA）和專用集成電路（ASIC）之類的硬件加速器的出現(xiàn)，以及通過網(wǎng)絡(luò)壓縮和加速技術(shù)來降低計算復(fù)雜性的嘗試。

他們還引用了神經(jīng)體系結(jié)構(gòu)搜索和元學(xué)習(xí)，以此使用優(yōu)化來查找在一類問題上保持良好性能的體系結(jié)構(gòu)，以此作為計算上有效的改進方法的途徑。

算力確實在提高。一項OpenAI研究表明，自2012年以來，每16個月將AI模型訓(xùn)練到ImageNet圖像分類中相同性能所需的計算量就減少了2倍。Google的Transformer架構(gòu)超越了以前的狀態(tài)seq2seq也是由Google開發(fā)的模型，在seq2seq推出三年后，計算量減少了61倍。

DeepMind的AlphaZero這個系統(tǒng)從零開始教自己如何掌握國際象棋，將棋和圍棋的游戲，而在一年后，與該系統(tǒng)的前身AlphaGoZero的改進版本相匹配，其計算量就減少了八倍。

用于深度學(xué)習(xí)模型的計算能力的爆炸式增長已經(jīng)結(jié)束了「人工智能冬天」，并為各種任務(wù)的計算機性能樹立了新的基準(zhǔn)。

但是，深度學(xué)習(xí)對計算能力的巨大需求限制了它可以以目前的形式提高性能的程度，特別是在硬件性能的提高放緩的時代。這些計算限制的可能影響迫使……機器學(xué)習(xí)轉(zhuǎn)向比深度學(xué)習(xí)更高效的技術(shù)。